Во сè подинамичниот тек на модернизација на земјоделството, заштитата на растенијата претрпува драматична трансформација. Навлегувањето на вештачката интелигенција (AI), автономните дронови, компјутерската визија и сателитското далечинско сондажно изведување ветува нова ера на прецизност, каде што фитопатолошките закани се детектираат и неутрализираат со речиси хируршка точност. Меѓутоа, зад фасцинантниот визуелен сјај на дигиталните мапи, алгоритмите за препознавање слики и автономните летала, се крие суштинско прашање: Дали современата технологија може самостојно да ја разбере природата на една растителна епидемија, или пак нејзината вистинска моќ е директно условена од познавањето на фундаменталните математички и биолошки законитости на истражувачот или корисникот на дигиталните технологии?
Без да се завлегува подлабоко во некои статистичко-математички терминологии може да се каже дека дигиталните алатки во својата суштина извонредни колекционери на податоци кои на пример може подоцна ги процесуираат тие исти податоци во доменот на статистичката корелација или различните видови на регресии (линеарна, полиномна итн.) но не ги согледуваат причинско-последичните врски на биолошките законитости кои директно доведуваат до одредена промена во живиот организам.
Алгоритмот за длабоко учење може без грешка да препознае некротична пега на лист од фотографија, а дронот може со висока резолуција да регистрира пад на индексот на вегетација (NDVI), но ниту еден од нив сам по себе не го разбира инкубацискиот период, динамиката на инокулумот или логистичкиот раст на инфекцијата во функција на времето и микроклимата. Без подлабока математичка рамка која е поставена уште од пионерите на квантитативната епидемиологија како Ван дер Планк и Јирген Кранц — современите системи ризикуваат да станат жртва на парадоксот на „црната кутија “(Black Box Syndrome), регистрирајќи ги само последиците наместо да ги предвидуваат нивните причини.
Оттука, разбирањето на класичните детерминистички и механицистички модели на епидемиите не претставува само историска референца, туку е непроценлив компас за правилно користење на современите технологии. Најнапредните системи за поддршка во одлучувањето (DSS) денес се токму хибридни модели — синергија во која класичните епидемиолошки равенки го даваат биолошкиот логички рамка, додека вештачката интелигенција и далечинското сондажно изведување ја обезбедуваат потребната просторно-временска прецизност. Овој есеј има за цел да го анализира значењето на фундаменталните математички знаења како клуч за дешифрирање, правилна интерпретација и максимално искористување на потенцијалот што го нудат AI, дроновите и хибридните модели во модерното електронско земјоделство.
Во срцето на секоја епидемија на растенијата лежи сложена мрежа од биолошки интеракции меѓу патогенот, домаќинот и животната средина позната како триаголник на болеста. Кога вештачката интелигенција, особено алгоритмите за длабоко учење (Deep Learning) и конволуциските неуронски мрежи (CNN), ги применува во заштитата на растенијата, таа примарно работи врз основа на препознавање шаблони во податоците (pattern recognition). Неуронската мрежа обучена на илјадници слики од заразени листови учи да препознае карактеристични текстури, бои и облици. Меѓутоа, оваа способност за класификација е чисто статистичка; алгоритмот не го разбира биолошкиот процес кој довел до таа манифестација.
Ова ја отвора опасноста од т.н. парадокс на „црната кутија“ (Black Box Syndrome). Без знаење за фундаменталните механицистички модели, корисникот на AI системот може лесно да ги помеша корелацијата и каузалноста (причинско-последичните релации). На пример, моделот за машинско учење може погрешно да ги поврзе фенотипските промени на листот предизвикани од суша, абиотски стрес или дефицит на хранливи материи со симптоми на некое микозно заболување, доколку во податочната база за обука постоел таков податок.
За разлика од ова, фундаменталното математичко моделирање , започнато со пионерските трудови на Ј. Е. Ван дер Планк и Јирген Кранц тргнува од биолошката суштина. Равенките за раст на инфекцијата, како што е класичниот логистички модел:
каде што x(t) е пропорцијата на инфицирано ткиво во време t, а r е апсолутната стапка на инфекција, изрично го земаат предвид растителното ткиво кое е изложено на инфекција и динамиката на инокулумот (инфективни структури на патогенот-спори).При настанување на инфекцијата мора строго да се разграничат на два параметри: латентен период (p) односно времето додека патогенот ќе започне да создава нови спори и инкубациски период (pi) времето додека се појават првите видливи симптоми, со други зборови латентниот период одредува кога болеста станува инфективна, а инкубацискиот кога станува видлива за AI камерите.Понатаму, земајќи го во предвид на латентниот период (p) и инкубацискиот период (pi) овозможува да се сфати дека во моментот кога AI камерата ќе регистрира прв симптом на патогенот, инфекцијата всушност веќе напредувала со денови или недели зад кулисите. Разбирањето на овие равенки му овозможува на агрономот да ги интерпретира резултатите од AI не како апсолутна вистина, туку како еден слој на информација што мора да се верификува низ математичко-биолошката реалност. Што значи потребно е да се има едно ниво на критичност и дистанца при интерпретирање на податоците.
Современите беспилотни летала (дронови) и сателитските системи опремени со мултиспектрални, хиперспектрални и термални камери го променија начинот на кој го набљудуваме полето. Индексите на вегетација, како што се NDVI (Normalized Difference Vegetation Index) или NDRE (Normalized Difference Red Edge), обезбедуваат просторно континуирани податоци со висока резолуција за здравствената состојба и стресот на земјоделските култури.
Сепак, дронот не дијагностицира патоген, тој регистрира физиолошки одговор на растението. Падот на вредноста на NDVI во одредена зона од парцелата укажува на губење на хлорофил или деструкција на клеточните структури во листот, но тоа може да биде последица од голем број на биотски или абиотски фактори како на пример: гниење на кореновиот систем, напад од инсекти, засолување на почвата итн. И на крај доаѓа непроценливата улога на математичкото моделирање. Кога просторните податоци добиени од дронот ќе се интегрираат како променливи во епидемиолошките модели, нивното значење драстично се менува. Мултиспектралните снимки од дроновите овозможуваат прецизно мапирање на раните жаришта (примарниот инокулум x0), што во традиционалното математичко моделирање често мораше да се претпостави или генерализира за цела парцела. Традиционалните модели главно беа временски (dx/dt). Интеграцијата со податоците од дронови овозможува примена на просторно-временски модели за дисперзија на спори (spore dispersal kernels), каде што насоката на ветерот, влажноста и густината на крошната снимени од воздух дефинираат каде и со каква брзина ќе се прошири секундарниот инокулум. Дроновите, поддржани од познавањето на епидемиолошките законитости, престануваат да бидат само алатка за убави визуелни мапи и стануваат инструмент за прецизно локализирано третирање (site-specific fungicide application), заштедувајќи ресурси и намалувајќи го пестицидното загадување на животната средина.
Најголемиот напредок во современата фитопатологија не произлегува од заменувањето на традиционалните модели со вештачка интелигенција, туку од нивното спојување во хибридни модели (исто така познати како Physics-Informed или Biology-Informed Machine Learning). Чисто механицистичките модели (базирани на физиологијата на патогенот и микроклимата) се извонредни за објаснување на процесот, но често откажуваат кога треба да се справат со некомплетни податоци од реалниот терен. Од друга страна, чисто AI моделите се одлични за обработка на огромни количини податоци во реално време, но лесно излегуваат од границите на биолошката можност кога ќе се соочат со екстремни или нови климатски услови кои ги немало во нивниот сет за обука. На овој начин, вештачката интелигенција ги пополнува празнините во податоците и ја подобрува просторната резолуција, додека математичкиот модел гарантира дека предвидувањата на системот остануваат во рамките на биолошкиот и физиолошкиот детерминизам.
Транзицијата кон дигитално и електронско земјоделство носи огромни можности за одржливост, зачувување на приносите и намалување на употребата на синтетичките пестициди. Сепак, фасцинацијата од најновите технолошки остварувања како што се вештачката интелигенција, дроновите и автоматомизираните сензори не смее да ги потисне во заборав фундаменталните научни темели врз кои почива заштитата на растенијата. Фундаменталните знаења од математичкото моделирање на епидемиите претставуваат неопходна интелектуална рамка. Тие овозможуваат современите инженери и агрономи да не бидат само пасивни корисници на софтверски алатки, туку критички мислители кои разбираат зошто и како настанува одреден предвиден ризик.Синтезата помеѓу квантитативната епидемиологија на минатиот век и напредните дигитални технологии на денешницата е единствениот пат кон создавање на навистина интелигентни, сигурни и одржливи системи за заштита на растенијата во иднината.
